표본 분포로 평균·분산·비율 추정하기

반복 추출에서 통계량이 보이는 변동

동일한 모집단에서 독립·동일분포(i.i.d.) 표본을 반복해서 뽑으면, 표본 평균 X̄·표본 분산 S²·표본 비율 p̂처럼 계산된 통계량도 일정한 확률분포를 이룬다. 이것이 표본 분포다.

신뢰구간을 계산하거나 가설을 검정할 때 필요한 것은 관측값 하나가 아니라 그 통계량이 반복 표본추출에서 어떻게 흔들리는지다. 표본 분포는 표본 크기 결정, 품질 지표 관리, 서비스 지표 해석의 기반이 된다.

모집단 평균이 μ이고 분산이 σ²일 때, 표본 크기 n이 충분히 크면 X̄는 근사적으로 N(μ, σ²/n)을 따른다. σ를 알 수 없고 모집단이 정규분포라는 가정 아래에서는 (X̄−μ)/(S/√n)이 자유도 n−1의 t 분포를 따른다.

표본 분산은 정규 모집단에서 (n−1)S²/σ²가 자유도 n−1의 카이제곱 분포 χ²(n−1)를 따른다는 성질에 기대어 해석한다. 표본 비율 p̂는 성공확률 p인 이항 시행에서 평균 p, 분산 p(1−p)/n을 가지며, n이 충분히 크고 np, n(1−p) ≥ 10이면 N(p, p(1−p)/n)으로 근사할 수 있다.

평균의 정규 근사와 t 분포를 가르는 조건

중심극한정리는 원래 모집단이 정규분포가 아니더라도 표본 크기가 커질수록 표본 평균의 분포가 정규분포에 가까워진다는 근거다. 다만 왜도나 첨도가 큰 모집단에서는 더 큰 n이 필요하다. 실무에서는 n≥30을 경험칙으로 쓰기도 하며, 필요하면 진단과 부트스트랩으로 보완한다.

표준편차 σ가 알려지지 않은 경우에는 표본 표준편차 S를 사용하므로 t 분포가 필요하다. 자유도 n−1이 반영된 t 분포는 꼬리가 더 두껍고, 소표본에서 불확실성을 과소평가하지 않도록 돕는다. n이 증가하면 t 분포는 표준정규분포에 수렴한다.

분산의 χ² 추정은 정규성에 의존한다

(n−1)S²/σ² ~ χ²(n−1)이라는 관계는 정규 모집단이라는 전제가 있을 때 성립한다. 이 관계는 분산 신뢰구간과 분산 동질성 검정에서 F 분포로 이어지는 기반이 된다.

정규성 전제가 맞지 않으면 분산 추정의 신뢰구간이 왜곡될 수 있다. 이 경우 Box–Cox 변환, 견고 추정, 부트스트랩을 대안으로 검토한다.

비율은 근사 조건을 먼저 확인한다

비율의 신뢰구간과 검정에서 정규 근사를 쓰려면 np와 n(1−p) 조건이 충족돼야 한다. 조건을 만족하면 p̂의 정규 근사에 따라 신뢰구간과 검정을 수행할 수 있다.

p가 0 또는 1 부근에 있거나 n이 작은 경우에는 근사가 적절하지 않을 수 있다. 연속성 보정, Wilson/Agresti–Coull, Clopper–Pearson(정확법)을 고려한다.

표본 설계가 분산에 미치는 영향

단순무작위추출(SRS)에서는 독립성 확보가 전제다. 집락표본이나 계층화표본처럼 설계가 달라지면 분산 추정에 설계효율(DEFF)을 반영해야 한다.

표본비 f=n/N가 0.05를 초과하면 유한모집단보정 FPC=√[(N−n)/(N−1)] 적용을 권장한다. 분석 단계의 분포 선택만으로는 충분하지 않고, 표본을 어떤 방식으로 확보했는지도 함께 관리해야 한다.

통계량별 분포와 적용 범위

통계량	분포	전제/조건	모수/자유도	대표 사용처
X̄	N(μ, σ²/n) 또는 t(df=n−1)	CLT 또는 정규성, σ 미지 시 t	μ, σ 또는 df	평균 신뢰구간, 평균 차이 검정
S²	χ²(df=n−1)로 (n−1)S²/σ²	정규 모집단	σ², df	분산 신뢰구간, 분산 동질성 검정(F)
p̂	근사 N(p, p(1−p)/n)	np, n(1−p) ≥ 10	p	비율 신뢰구간, 비율 차이 검정

분석 전제에서 의사결정까지의 흐름

⤢✕

품질·서비스·리스크 지표에 적용하는 방식

제조 품질관리에서는 치수 연속값 표본, 공정 표준편차 추정치, 관리한계 요구치를 입력으로 사용한다. X̄에는 t 기반 신뢰구간을, S²에는 χ² 기반 분산 신뢰구간을 적용하고, 관리도(X̄–R/ S)를 설계한다. 공정 평균의 편차 검정 결과와 분산 과대 여부를 토대로 매개변수 조정 권고안을 만들 수 있다.

디지털 서비스 A/B 테스트에서는 대조군과 실험군의 클릭·전환 카운트, n, 목표 검정력(1−β)을 다룬다. p̂ 차이의 정규 근사 z 검정 또는 정확 검정을 선택하고, 샘플 사이즈를 사전에 계산하며, 연속성 보정 여부를 판단한다. 결과는 전환율 차이의 신뢰구간과 유의성, 롤아웃 또는 롤백의 근거가 된다.

금융 리스크 모니터링에서는 일별 손익 시계열, 손실 컷오프, 관측 수를 바탕으로 평균 손실과 초과확률을 추정한다. X̄의 신뢰구간으로 기대손실 구간을 구하고, 비율 p̂로 임계 초과비율을 계산한다. 분포가 비정규적이면 부트스트랩을 적용해 리스크 한도 대비 초과확률과 감시 임계 재설정 권고를 도출한다.

오차한계와 검정력에 연결되는 효과

평균의 오차한계는 MOE=임계값×σ/√n, 비율의 오차한계는 MOE=임계값×√(p(1−p)/n)으로 표현할 수 있다. 이를 바탕으로 필요한 n을 산출하고 신뢰구간 폭을 관리한다.

차이 크기인 효과크기와 α를 설정하면 최소 표본 수를 구해 1−β ≥ 목표를 보장할 수 있다. 전제와 가정을 명시적으로 관리하면 해석의 일관성이 높아지고 과소추정·과대추정 위험을 완화한다. 표본 설계, 추정, 검정의 흐름을 표준화하면 의사결정의 신뢰성도 높아진다.

분석을 시작하기 전에 확인할 항목

정규성이 필요한 분석에서는 QQ-plot과 Shapiro–Wilk를 함께 사용하고 이상치의 영향을 평가한다. 비율 분석에서는 np, n(1−p) 조건을 먼저 점검하며, 극단 비율에는 정확법을 사용한다.

표본 크기는 목표 MOE 또는 검정력을 기준으로 z/t 값을 활용해 사전에 산출한다. n/N > 0.05이면 FPC 적용 여부도 확인한다. 비정규·소표본 평균에는 BCa 부트스트랩 신뢰구간을 고려하고, 다중군 분산 비교에서는 Bartlett(정규 전제) 또는 Levene/Brown–Forsythe(견고 대안)를 선택할 수 있다.

시뮬레이션으로 근사 성질 확인하기

환경은 Python 3.10+, numpy 1.26+, scipy 1.11+, matplotlib 3.8+다. 아래 코드는 표본 평균의 정규 근사, 분산의 χ² 성질, 비율의 정규 근사를 확인한다.

import numpy as np
from scipy import stats

rng = np.random.default_rng(42)
n, reps = 20, 20000

# 1) 비정규(지수분포)에서의 표본 평균 분포 → 정규 근사 확인
mu = 1.0
samples = rng.exponential(mu, size=(reps, n))
xbar = samples.mean(axis=1)
z_scores = (xbar - mu) / (samples.std(axis=1, ddof=1)/np.sqrt(n))
print("표본 평균 t-정규성 검정 p값(Shapiro, 일부 샘플):", stats.shapiro(z_scores[:500])[1])

# 2) 정규 모집단에서의 (n-1)S^2/σ^2 → χ²(df=n-1)
sigma = 2.0
norm_samples = rng.normal(loc=0, scale=sigma, size=(reps, n))
s2 = norm_samples.var(axis=1, ddof=1)
chi2_stat = (n-1)*s2/(sigma**2)
print("χ² 기대값≈df:", chi2_stat.mean(), "vs df", n-1)

# 3) 비율 p̂의 정규 근사
p = 0.2
binom = rng.binomial(n=n, p=p, size=reps)
phat = binom / n
z_phat = (phat - p) / np.sqrt(p*(1-p)/n)
print("비율 Z 점수 평균≈0, 분산≈1:", z_phat.mean(), z_phat.var())

xbar Z/t 점수의 분포가 평균 0, 분산 1에 근접하면 정규 근사의 적정성을 시사한다. χ² 통계량의 평균이 자유도 df≈n−1에 가까우면 가정 충족 신호로 볼 수 있다. 비율 Z 점수가 평균 0, 분산 1이면 np, n(1−p) 조건에서 정규 근사가 타당하다는 해석이 가능하다.